全 睿，樂有生，李 濤，常雨芳，譚保華

(1. 湖北工業(yè)大學(xué) 電氣與電子工程學(xué)院，湖北 武漢 430068；2.湖北工業(yè)大學(xué) 理學(xué)院，湖北 武漢430068)

0 引 言

質(zhì)子交換膜燃料電池(Proton Exchange Membrane Fuel Cell，PEMFC)是一種將化學(xué)能直接轉(zhuǎn)換為電能的發(fā)電裝置，是一種具有較好發(fā)展前景的清潔能源利用方式.質(zhì)子交換膜燃料電池具有能量轉(zhuǎn)換效率高、零排放或低排放、工作溫度低、功率密度大、啟動快速等特點(diǎn)[1-2]，在新能源汽車、軌道交通、固定電源等領(lǐng)域具有較好應(yīng)用價(jià)值.質(zhì)子交換膜燃料電池系統(tǒng)具有一定的復(fù)雜性，在運(yùn)行中可能出現(xiàn)故障，嚴(yán)重情況下可能出現(xiàn)燃料電池堆損壞失效.對燃料電池進(jìn)行故障監(jiān)測，有利于獲取系統(tǒng)運(yùn)行信息，提高系統(tǒng)可靠性.

文獻(xiàn)[1-4]從模型、數(shù)據(jù)驅(qū)動、實(shí)驗(yàn)測試等方面綜述了PEMFC系統(tǒng)故障診斷方法，為相關(guān)研究提供了重要參考.Yang等[5]采用線性參數(shù)可變(Linear Parameter-Varying，LPV)模型描述PEMFC系統(tǒng)行為，提出增強(qiáng)狀態(tài)觀測器(Augmented State Observer)估計(jì)系統(tǒng)內(nèi)部狀態(tài)和組件故障.Khan等[6]提出了濃差壓降的半經(jīng)驗(yàn)?zāi)Ｐ?，通過計(jì)算PEMFC的水含量診斷水淹和膜干故障，并使用蝴蝶優(yōu)化算法(Butterfly Optimization Algorithm)優(yōu)化模型參數(shù).文獻(xiàn)[7-9]基于電化學(xué)阻抗譜提取故障診斷特征，對故障特征進(jìn)行分類從而診斷PEMFC系統(tǒng)故障.基于解析模型的方法需要建立PEMFC系統(tǒng)的過程模型，克服系統(tǒng)內(nèi)部參數(shù)獲取困難等問題.劉嘉蔚等[10]采用線性判別分析和概率神經(jīng)網(wǎng)絡(luò)對PEMFC系統(tǒng)的運(yùn)行數(shù)據(jù)進(jìn)行水管理故障診斷，以較高的準(zhǔn)確率實(shí)現(xiàn)正常狀態(tài)、水淹故障和膜干故障的診斷.文獻(xiàn)[11]基于極限學(xué)習(xí)機(jī)和Dempster-Shafer證據(jù)理論對PEMFC系統(tǒng)進(jìn)行四種不同程度的空氣化學(xué)計(jì)量比故障診斷.Zhang等[12]提出基于模擬退火遺傳模糊C-均值聚類(Simulated Annealing Genetic Algorithm Fuzzy C-Means Clustering，SAGAFCM)和深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)的故障診斷方法，對去離子水進(jìn)口高溫故障、氫氣泄漏故障、空氣低壓故障和正常狀態(tài)進(jìn)行診斷.數(shù)據(jù)驅(qū)動的方法要求收集PEMFC系統(tǒng)的運(yùn)行數(shù)據(jù)，針對不同的故障數(shù)據(jù)訓(xùn)練分類模型進(jìn)行診斷.在實(shí)際中可能難以大量獲取故障運(yùn)行數(shù)據(jù).故障數(shù)據(jù)不足可能導(dǎo)致實(shí)際診斷效率不高.

在實(shí)際實(shí)驗(yàn)中，PEMFC系統(tǒng)的故障運(yùn)行數(shù)據(jù)獲取成本高，部分故障運(yùn)行試驗(yàn)可能造成燃料電池堆的性能退化甚至不可逆損毀.相比較而言，燃料電池系統(tǒng)的正常運(yùn)行數(shù)據(jù)更容易獲取.神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的擬合能力，門控循環(huán)神經(jīng)網(wǎng)絡(luò)是一種適合序列信息處理的神經(jīng)網(wǎng)絡(luò).使用大量正常運(yùn)行狀態(tài)數(shù)據(jù)可以對燃料電池運(yùn)行狀態(tài)進(jìn)行模擬，對建模困難的復(fù)雜系統(tǒng)具有便利性.基于大量PEMFC系統(tǒng)的正常運(yùn)行數(shù)據(jù)，本文采用門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)對PEMFC系統(tǒng)輸入輸出模型進(jìn)行模擬，通過預(yù)測PEMFC的輸出電壓進(jìn)行運(yùn)行狀態(tài)監(jiān)測，診斷系統(tǒng)有無故障.

1 質(zhì)子交換膜燃料電池系統(tǒng)結(jié)構(gòu)

本課題組研發(fā)的40 kW燃料電池系統(tǒng)部分結(jié)構(gòu)示意圖如圖1所示,主要包括電堆模組、氫氣供給子系統(tǒng)、空氣供給子系統(tǒng)、水熱管理子系統(tǒng)等[13].氫氣供給子系統(tǒng)為燃料電池堆供應(yīng)燃料氫氣，同時(shí)將未完全反應(yīng)的氫氣分離水分重新送入電堆反應(yīng).空氣供給子系統(tǒng)提供反應(yīng)所需的氧氣，同時(shí)對氣體增濕，保持電堆內(nèi)水分.水熱管理子系統(tǒng)采用水作為冷卻液，主要是吸收電堆內(nèi)電化學(xué)反應(yīng)產(chǎn)生的熱量和移除多余的水分，維持電堆溫度.電堆模組由多片質(zhì)子交換膜燃料電池單體電池串并聯(lián)組成，經(jīng)過DC/DC變換器變換以達(dá)到系統(tǒng)輸出要求的電壓等級.整個(gè)系統(tǒng)由各個(gè)傳感器采集檢測信號并送到燃料電池系統(tǒng)控制器進(jìn)行監(jiān)測與控制.

2 基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的監(jiān)測方法

2.1 質(zhì)子交換膜燃料電池系統(tǒng)故障監(jiān)測方案

基于模型的故障監(jiān)測方法(Model-Based Fault Monitoring Method)通過對實(shí)際系統(tǒng)輸出物理量與模型預(yù)測輸出物理量的殘差進(jìn)行分析、處理和決策，判斷系統(tǒng)的運(yùn)行有無故障[1-4].該方法根據(jù)實(shí)際系統(tǒng)輸入變量、中間狀態(tài)變量、系統(tǒng)輸出變量建立系統(tǒng)過程預(yù)測模型，將實(shí)際系統(tǒng)輸出和系統(tǒng)過程預(yù)測模型的輸出比較產(chǎn)生殘差，對殘差進(jìn)行處理決策得到故障信息.

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的擬合能力，可以用來建立燃料電池的輸入輸出預(yù)測模型.基于歷史運(yùn)行數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和擬合復(fù)雜系統(tǒng)的非線性映射和多變量間的關(guān)系[1,2,4].通過采集質(zhì)子交換膜燃料電池系統(tǒng)的運(yùn)行數(shù)據(jù)，運(yùn)用神經(jīng)網(wǎng)絡(luò)擬合系統(tǒng)運(yùn)行過程中的輸入變量、中間狀態(tài)變量、系統(tǒng)輸出變量間的映射關(guān)系，無需分析系統(tǒng)的機(jī)理模型，可以從數(shù)據(jù)中尋找燃料電池系統(tǒng)的輸入輸出模型.

圖1 燃料電池系統(tǒng)部分結(jié)構(gòu)示意圖Fig.1 Schematic diagram of part of the fuel cell system

本文采用的基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的質(zhì)子交換膜燃料電池系統(tǒng)故障監(jiān)測方案如圖2所示.通過采集質(zhì)子交換膜燃料電池系統(tǒng)的運(yùn)行數(shù)據(jù)，采用門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)擬合燃料電池系統(tǒng)的運(yùn)行行為，得到質(zhì)子交換膜燃料電池系統(tǒng)輸入輸出關(guān)系模型.該方法將質(zhì)子交換膜燃料電池系統(tǒng)看作一個(gè)黑盒，基于歷史運(yùn)行數(shù)據(jù)訓(xùn)練門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型，模擬質(zhì)子交換膜燃料系統(tǒng)[1-2]運(yùn)行狀態(tài).在故障監(jiān)測時(shí)，門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型根據(jù)系統(tǒng)當(dāng)前輸入數(shù)據(jù)，預(yù)測燃料電池的輸出電壓，通過燃料電池的實(shí)際輸出電壓與門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測輸出電壓的電壓殘差判斷系統(tǒng)運(yùn)行狀態(tài)有無故障.

圖2 基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型的故障監(jiān)測方案Fig.2 Fault monitoring scheme based on the gated recurrent unit neural network model

電壓殘差閾值的設(shè)置對故障監(jiān)測具有重要影響.殘差處理主要對電壓殘差進(jìn)行統(tǒng)計(jì)分析，從而為電壓殘差閾值設(shè)置提供參考.本文設(shè)置電壓殘差閾值為三倍測試數(shù)據(jù)電壓殘差標(biāo)準(zhǔn)差.假設(shè)電壓殘差為R，測試數(shù)據(jù)的電壓殘差標(biāo)準(zhǔn)差為σ，電壓殘差閾值為Rth，設(shè)置電壓殘差閾值Rth=3σ，當(dāng)|R|>Rth時(shí)判定質(zhì)子交換膜燃料電池系統(tǒng)處于故障運(yùn)行狀態(tài)，否則判斷為正常運(yùn)行狀態(tài).

2.2 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)是一種采用門控機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)[14-15].該網(wǎng)絡(luò)由門控循環(huán)單元網(wǎng)絡(luò)層堆疊而成.門控循環(huán)單元網(wǎng)絡(luò)層的結(jié)構(gòu)如圖3所示.

圖3 門控循環(huán)單元網(wǎng)絡(luò)層結(jié)構(gòu)示意圖(GRU Cell：門控循環(huán)單元神經(jīng)元)Fig.3 Schematic diagram of the gated recurrent unit neural network layer

在門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層由多個(gè)基礎(chǔ)的門控循環(huán)單元神經(jīng)元組成.同層的門控循環(huán)單元神經(jīng)元采用前后互連的方式提取輸入時(shí)間序列的信息,其網(wǎng)絡(luò)權(quán)值參數(shù)共享以減小參數(shù)量、降低參數(shù)規(guī)模、提高訓(xùn)練效率.門控循環(huán)單元神經(jīng)元包含復(fù)位門和更新門兩個(gè)控制門[13-14].假設(shè)x=[x1,x2,…,xN]表示網(wǎng)絡(luò)層的輸入,xt∈Rd(t=1,2,…,N)表示網(wǎng)絡(luò)層在第t時(shí)刻的輸入，d表示輸入數(shù)據(jù)的維度，h=[h1,h2,…,hN]表示網(wǎng)絡(luò)層的輸出，ht∈RD表示網(wǎng)絡(luò)在第t時(shí)刻的輸出，D表示輸出數(shù)據(jù)的維度，grt表示第t時(shí)刻的復(fù)位門(下標(biāo)r表示英文復(fù)位reset，區(qū)別于更新門,下標(biāo)t表示第t時(shí)刻)，gut表示第t時(shí)刻的更新門(下標(biāo)u表示英文更新update，區(qū)別于復(fù)位門，下標(biāo)t表示第t時(shí)刻).復(fù)位門grt控制接受上一個(gè)門控循環(huán)單元神經(jīng)元的輸出ht-1的程度.c=[c1,c2,…,cN]表示網(wǎng)絡(luò)層的新輸入，ct∈RD表示網(wǎng)絡(luò)層在第t時(shí)刻的新輸入.更新門gut控制當(dāng)前門控循環(huán)單元神經(jīng)元的輸出.門控循環(huán)單元神經(jīng)元的計(jì)算如公式(1)～(4)所示[14-15]:

grt=σ(Wrhht-1+Wrxxt+br)

(1)

ct=tanh(grt?(Whhht-1+bhr)+Whxxt+bhx)

(2)

gut=σ(Wuhht-1+Wuxxt+bu)

(3)

ht=(1-gut)?ht-1+gut?ct

(4)

式中：?表示兩個(gè)同維向量或矩陣對應(yīng)元素相乘運(yùn)算.t=1,2,3，…,N,N為門控循環(huán)單元網(wǎng)絡(luò)層的神經(jīng)元個(gè)數(shù)，h0=0，1表示與gut同維的全一向量.σ表示Sigmoid激活函數(shù)，表達(dá)式如(5)所示，tanh激活函數(shù)的表達(dá)式如(6)所示.Wrh、Wrx、br是復(fù)位門的參數(shù)矩陣或向量，Whh、bhr、Whx、bhx是新輸入的參數(shù)矩陣或向量，Wuh、Wux、bu是更新門的參數(shù)矩陣或向量，這些參數(shù)都是可學(xué)習(xí)的.

(5)

(6)

2.3 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是優(yōu)化目標(biāo)函數(shù)的過程.在預(yù)測任務(wù)中一般采用均方差損失函數(shù).本文采用均方差損失函數(shù).假設(shè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的預(yù)測值為f(x;θ)，θ表示神經(jīng)網(wǎng)絡(luò)的參數(shù)集，預(yù)測的真實(shí)值為y，均方差損失函數(shù)L計(jì)算方法為：

(7)

(8)

式中，arg min表示求解使目標(biāo)函數(shù)值最小的參數(shù).

梯度下降算法[16]是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的主要算法.在均方差損失函數(shù)的最小化優(yōu)化中使用網(wǎng)絡(luò)參數(shù)θ的梯度迭代更新：

(9)

針對大規(guī)模數(shù)據(jù)，我們通常使用小批量梯度下降法[17].設(shè)每次選取B個(gè)樣本組成集合Sk，第k次迭代時(shí)梯度計(jì)算公式為：

(10)

圖4 算法流程圖Fig.4 Algorithm flowchart

基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的算法流程圖如圖4所示.首先通過實(shí)驗(yàn)收集燃料電池的正常運(yùn)行數(shù)據(jù)，對收集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；然后將預(yù)處理后的數(shù)據(jù)集隨機(jī)分為訓(xùn)練集和測試集，用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，用測試集對網(wǎng)絡(luò)進(jìn)行測試評估.若神經(jīng)網(wǎng)絡(luò)滿足要求，則完成網(wǎng)絡(luò)訓(xùn)練工作，否則重新收集數(shù)據(jù)擴(kuò)大數(shù)據(jù)集，或者重新配置網(wǎng)絡(luò)超參數(shù)，或者重新訓(xùn)練網(wǎng)絡(luò)，直到達(dá)到要求.

2.4 數(shù)據(jù)預(yù)處理及燃料電池系統(tǒng)數(shù)據(jù)集

(11)

圖5顯示了歸一化后的部分狀態(tài)變量變化情況.

圖5 某段時(shí)間部分狀態(tài)變量變化情況(數(shù)據(jù)已歸一化，縱軸為無量綱量)Fig.5 Some state variables in a certain period(Variables in the vertical axis have been normalized and are dimensionless)

將標(biāo)準(zhǔn)化后的數(shù)據(jù)處理成門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)格式，得到燃料電池系統(tǒng)數(shù)據(jù)集，如表1所示.數(shù)據(jù)集共有 42 997 個(gè)樣本，每個(gè)樣本由(x，y)組成，其中x代表神經(jīng)網(wǎng)絡(luò)的輸入，y代表相應(yīng)的電堆1#電壓和電堆2#電壓的真實(shí)值.

按照8∶2的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集，即訓(xùn)練集共有 34 397 個(gè)樣本，測試集共有 8 600 個(gè)樣本.訓(xùn)練集數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，測試集數(shù)據(jù)用于對完成訓(xùn)練的網(wǎng)絡(luò)進(jìn)行測試評估.

圖6 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)配置Fig.6 Gated recurrent unit neural network configuration

2.5 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)配置與網(wǎng)絡(luò)訓(xùn)練配置

經(jīng)過多次實(shí)驗(yàn)評估，本文選擇的網(wǎng)絡(luò)模型配置如圖6所示，具體網(wǎng)絡(luò)配置說明如表2所示.整個(gè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)共由六個(gè)網(wǎng)絡(luò)層組成，各層每個(gè)時(shí)刻點(diǎn)輸出數(shù)據(jù)維度分別為16,12,10,8,4,2.網(wǎng)絡(luò)層1輸入10個(gè)時(shí)刻的20維向量數(shù)據(jù)xi(i=1,2,…,10)，向量xi各維的數(shù)據(jù)意義如表1所示，每個(gè)時(shí)刻間隔周期為1 s.網(wǎng)絡(luò)層2至網(wǎng)絡(luò)層6的輸入為相鄰前一層的輸出.最后一層網(wǎng)絡(luò)層6輸出最后一個(gè)時(shí)刻的數(shù)據(jù)，得到電堆1#電壓、電堆2#電壓的預(yù)測值.

在網(wǎng)絡(luò)訓(xùn)練時(shí)需要選定損失函數(shù)和訓(xùn)練算法.本文使用均方差損失函數(shù)和小批量梯度下降算法.設(shè)置訓(xùn)練集數(shù)據(jù)的訓(xùn)練輪數(shù)為40，小批量梯度下降算法的批量大小B=64，對學(xué)習(xí)率α的調(diào)整采用RMSprop算法.RMSprop算法的梯度更新計(jì)算方法為[19]：

表1 燃料電池系統(tǒng)數(shù)據(jù)集

表2 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)配置說明

G1=(1-β)g1?g1

(12)

Gk=βGk-1+(1-β)gk?gk

(13)

(14)

(15)

θk+1=θk-Δθk

(16)

式中：α是初始學(xué)習(xí)率，β為衰減率，gk表示第k次迭代的梯度，θk表示迭代前的參數(shù)值，θk+1表示第k次迭代后的更新參數(shù)值.這里的運(yùn)算均為按元素運(yùn)算.本文設(shè)置α=0.001，β=0.9，ε=10-7.

在網(wǎng)絡(luò)訓(xùn)練過程中，每輪訓(xùn)練完成后計(jì)算訓(xùn)練集和測試集的均方差損失函數(shù)和所有預(yù)測變量的平均絕對誤差，均方差損失函數(shù)用于衡量網(wǎng)絡(luò)訓(xùn)練的性能.平均絕對誤差MAE可以衡量預(yù)測誤差的大小，其計(jì)算方法為：

(17)

式中各量的意義同(7)式.

2.6 結(jié)果分析和殘差閾值的確定

本文實(shí)驗(yàn)所用Python版本為3.7.10，TensorFlow-GPU版本為2.3.0.

圖7為訓(xùn)練過程中在訓(xùn)練集和測試集上的均方差損失和平均絕對誤差變化.隨著訓(xùn)練集上訓(xùn)練輪次的增加，均方差損失和平均絕對誤差呈逐漸減小趨勢，網(wǎng)絡(luò)訓(xùn)練到第27輪以后減小趨勢變緩，均方差損失和平均絕對誤差變化趨于平緩.第40輪訓(xùn)練完成后，訓(xùn)練集上的均方差損失和平均絕對誤差分別約為 0.001 01 和 0.011 38，測試集上的均方差損失和平均絕對誤差分別約為 0.001 32和 0.012 09.整個(gè)訓(xùn)練過程中，訓(xùn)練集和測試集上的均方差損失和平均絕對誤差非常接近，經(jīng)過40輪訓(xùn)練后門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)已經(jīng)能較好擬合燃料電池?cái)?shù)據(jù)，網(wǎng)絡(luò)具有很強(qiáng)的泛化能力.

圖7 訓(xùn)練集和測試集每輪訓(xùn)練均方差損失/平均絕對誤差變化圖(左圖為均方差損失/右圖為平均絕對誤差)Fig.7 Mean squared error and mean absolute error versus epoch in training and test set (The left plot is mean squared error and the right plot is mean absolute error)

使用訓(xùn)練好的門控循環(huán)單元網(wǎng)絡(luò)測試 8 600 個(gè)測試集樣本，計(jì)算得到電堆1#電壓預(yù)測誤差均值和標(biāo)準(zhǔn)差分別約為μ1=0.000 29 和σ1=0.036 33，電堆2#電壓預(yù)測誤差均值和標(biāo)準(zhǔn)差分別約為μ2=-0.000 31 和σ2=0.036 24.計(jì)算結(jié)果表明測試集樣本的預(yù)測誤差的均值接近于0.圖8和圖9分別為網(wǎng)絡(luò)在測試集上的電堆1#電壓和電堆2#電壓的預(yù)測誤差.除了極少部分樣本外，大部分樣本的電壓預(yù)測誤差均在[-3σ1,3σ1]和[-3σ2,3σ2]誤差帶內(nèi)分布.對極少部分預(yù)測誤差不在誤差帶內(nèi)分布的數(shù)據(jù)，推測有可能是樣本數(shù)據(jù)錯(cuò)誤造成的.

通過對預(yù)測誤差的分析，設(shè)定電堆1#/2#電壓殘差閾值分別為R1th=3σ1=0.108 99、R2th=3σ2=0.108 72.在進(jìn)行故障監(jiān)測時(shí)，設(shè)定當(dāng)電堆1#電壓殘差或電堆2#電壓殘差的絕對值超出閾值時(shí)即判定燃料電池系統(tǒng)運(yùn)行出現(xiàn)故障.圖10為采用門控循環(huán)單元網(wǎng)絡(luò)分別對35組1#/2#電堆故障數(shù)據(jù)進(jìn)行預(yù)測獲得的電壓殘差，結(jié)果表明電壓殘差超出電壓殘差閾值，與燃料電池系統(tǒng)故障相符.

2.7 不同神經(jīng)網(wǎng)絡(luò)的比較

全連接神經(jīng)網(wǎng)絡(luò)是一種采用全連接層堆疊而成的神經(jīng)網(wǎng)絡(luò)，是一種廣泛使用的網(wǎng)絡(luò).簡單循環(huán)神經(jīng)網(wǎng)絡(luò)是一類基本循環(huán)神經(jīng)網(wǎng)絡(luò)，適用于處理序列信息.為對比不同網(wǎng)絡(luò)的性能，本文分別對全連接神經(jīng)網(wǎng)絡(luò)和簡單循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)，得到網(wǎng)絡(luò)配置與訓(xùn)練測試結(jié)果如表3所示.全連接神經(jīng)網(wǎng)絡(luò)由于層與層之間采用稠密連接方式，參數(shù)量多，約是門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的8.5倍.由于網(wǎng)絡(luò)層內(nèi)部沒有連接機(jī)制，全連接神經(jīng)網(wǎng)絡(luò)缺乏對序列信息的網(wǎng)絡(luò)層內(nèi)部提取能力.簡單循環(huán)神經(jīng)網(wǎng)絡(luò)和門控循環(huán)神經(jīng)網(wǎng)絡(luò)一樣，通過網(wǎng)絡(luò)層內(nèi)部的連接機(jī)制和網(wǎng)絡(luò)層內(nèi)部參數(shù)共享，提升了對序列信息的提取能力，降低了參數(shù)量.同時(shí)，由于網(wǎng)絡(luò)層內(nèi)的連接機(jī)制，簡單循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)可能出現(xiàn)梯度爆炸[19-20]或梯度彌散[20-21]現(xiàn)象.深層的簡單循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練較為困難.針對梯度爆炸和梯度彌散，本文分別采用梯度裁剪[20]方法和RMSprop算法[18]自適應(yīng)調(diào)整學(xué)習(xí)率進(jìn)行訓(xùn)練.梯度裁剪方法可以緩解梯度爆炸，同時(shí)也可能降低簡單循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率.門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)由于引入了門控機(jī)制，能很好地避免梯度爆炸和梯度彌散問題.

圖10 1#/2#電堆故障電壓殘差(左圖1#電壓殘差/右圖2#電壓殘差;數(shù)據(jù)已歸一化，縱軸為無量綱量)Fig.10 1#/2# stack voltage residual(The left plot is 1# voltage residual,and the right plot is 2# voltage residual; Variables in the vertical axis have been normalized and are dimensionless)

表3 幾種不同神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)比較

3 結(jié) 論

本文針對質(zhì)子交換膜燃料電池系統(tǒng)故障監(jiān)測問題，采用神經(jīng)網(wǎng)絡(luò)擬合的方法建立質(zhì)子交換膜燃料電池系統(tǒng)的輸入輸出數(shù)據(jù)模型.根據(jù)基于模型的監(jiān)測方法進(jìn)行實(shí)驗(yàn)得到以下結(jié)論：

1)基于燃料電池系統(tǒng)的運(yùn)行數(shù)據(jù)，提出了采用門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)建立燃料電池的黑盒模型模擬系統(tǒng)運(yùn)行狀態(tài).通過預(yù)測系統(tǒng)電壓輸出進(jìn)而利用電壓殘差監(jiān)測系統(tǒng)運(yùn)行狀態(tài)，診斷系統(tǒng)運(yùn)行狀態(tài)有無故障.

2)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試結(jié)果表明，數(shù)據(jù)能較好模擬系統(tǒng)運(yùn)行狀態(tài)，所提出的模型具有很強(qiáng)的泛化能力，從而能應(yīng)用于監(jiān)測燃料電池的運(yùn)行狀態(tài)和診斷系統(tǒng)是否存在故障.

3)與全連接神經(jīng)網(wǎng)絡(luò)和簡單循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)對比表明，門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)具有兼顧網(wǎng)絡(luò)參數(shù)量和訓(xùn)練難度適中的特點(diǎn)，具有組合優(yōu)勢.